多项式回归模型后,还有没有方法继续优化提升模型性能呢?答案是正则化,正则化在数学推导上比较复杂,我们可以把它简单理解为一种特征选择方法,在模型中添加“惩罚系数”使得一些不那么重要的特征降低在模型中的影响度,常用的正则化方法有Lasso和Ridge。
Lasso方法倾向于压缩一部分特征的相关系数为0,保留一小部分特征,通俗的理解就是如果两个特征变量如果强相关的话,Lasso方法会将其中一个不那么重要特征的相关系数变为0。而Ridge方法的做法则是尽量保留特征信息,只是把相关变量的系数同时缩小
————————————————
版权声明:本文为CSDN博主「华为云」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/devcloud/article/details/101102088